Frente a las promesas publicitarias de reducciones del 50%, la literatura independiente fija el ahorro de la reconstrucción profunda (DLR) en torno al 20%.2 El mayor avance práctico radica en las cámaras 3D ópticas, que eliminan el descentrado del paciente y la consiguiente sobredosis del filtro bowtie de forma inmediata y sin riesgo diagnóstico.1
Referencias
- Radiology. AI-Driven Automated Patient Positioning in CT: A Multicenter Randomized Trial on Radiation Dose and Off-Centering Artifacts. Radiology 2026; 318(2):e251892.
- Journal of Radiological Protection. Artificial intelligence for radiation dose reduction in computed tomography: a narrative synthesis of clinical evidence from 2020 to 2025. J Radiol Prot 2026; 46(1):ae475a.
- European Radiology. Task-based low-contrast lesion detectability in ultra-low-dose abdominal CT using deep learning reconstruction algorithms. Eur Radiol 2026; 36:2140–2151.
- İlişkili DoseSave yazıları: FBP, İteratif ve DLR · DLR Literatür Yorumu · AEC ve Hasta Merkezleme
Sıkça Sorulan SorularFrequently Asked QuestionsHäufig gestellte FragenPreguntas frecuentes
¿Cómo reduce la inteligencia artificial la dosis de radiación en TC?
La IA reduce dosis en 3 áreas: 1) Cámaras 3D centran al paciente en el isocentro, evitando fallos del filtro bowtie (15-20% de ahorro), 2) Algoritmos DLR limpian el ruido permitiendo menor mAs (~20% de ahorro), y 3) La autocolimación ajusta los límites anatómicos con precisión.
¿Cuál es la mayor trampa al usar Reconstrucción con Deep Learning (DLR)?
El mayor riesgo es reducir la dosis en exceso confiando en la supresión de ruido. Aunque la imagen parezca cosméticamente limpia, lesiones sutiles de bajo contraste (como metástasis hepáticas) pueden ser borradas por la red neuronal al confundirlas con ruido.